利用机器学习测量红巨星的频率与周期分离
太阳与恒星天体物理
2022-07-22 v2 天体物理仪器与方法
摘要
星震学用于推断恒星内部物理。\textit{Kepler} 和 TESS 空间任务提供了大量的红巨星光变曲线数据集，可用于星震学分析。随着 \textit{PLATO} 等未来任务，这些数据集预期将显著增长，因此需要高效方法快速分析这些数据。在此，我们描述一种机器学习算法，该算法从原始振荡谱中识别红巨星，并从红巨星功率谱中提取 \textit{p} 模和 \textit{混合} 模参数。我们报告了对一群恒星的大频率分离（）、最大振幅频率（）和周期分离（）的算法推断。此外，我们在该方法分析的 151,000 条 \textit{Kepler} 长曝光恒星振荡谱中发现了约 25 颗新的可能红巨星，其中四颗为似乎拥有红巨星对应体的双星候选体。为验证该方法结果，我们选取约 3,000 颗 \textit{Kepler} 恒星，其演化阶段从亚巨星到红团块不等，并将 、 和 的推断与其他技术所得估计进行比较。该机器学习算法的优势在于速度：在现代计算机（Intel Xeon Platinum 8280 CPU 单核）上，它能在约 5 秒内从 1,000 条谱中准确提取地震学参数。
引用
@article{arxiv.2202.07599,
title = {Measuring frequency and period separations in red-giant stars using machine learning},
author = {Siddharth Dhanpal and Othman Benomar and Shravan Hanasoge and Abhisek Kundu and Dattaraj Dhuri and Dipankar Das and Bharat Kaul},
journal= {arXiv preprint arXiv:2202.07599},
year = {2022}
}